Não foi possível enviar o arquivo. Será algum problema com as permissões?
Diferenças

Diferenças

Aqui você vê as diferenças entre duas revisões dessa página.

Link para esta página de comparações

Ambos lados da revisão anterior Revisão anterior
Próxima revisão
Revisão anterior
disciplinas:ce227-2016-01:historico [2016/05/18 18:29]
paulojus
disciplinas:ce227-2016-01:historico [2016/06/02 14:47] (atual)
paulojus
Linha 38: Linha 38:
 | 11/05 Qua |Discussão Caps 7 e 8 do material | | |[[#​11/​05|Ver abaixo]] |  | 11/05 Qua |Discussão Caps 7 e 8 do material | | |[[#​11/​05|Ver abaixo]] | 
 | 16/05 Seg |Inferência Bayesiana utilizando o JAGS - instalação e exemplos | | |[[#​16/​05|Ver abaixo]] |  | 16/05 Seg |Inferência Bayesiana utilizando o JAGS - instalação e exemplos | | |[[#​16/​05|Ver abaixo]] | 
-| 18/05 Seg |Inferência Bayesiana utilizando o JAGS/INLA - mais exemplos | | |[[#​18/​05|Ver abaixo]] | +| 18/05 Qua |Inferência Bayesiana utilizando o JAGS/INLA - mais exemplos | | |[[#18/05|Ver abaixo]] |  
 +| 23/05 Seg |Estudos (prof. em congresso) | | | |  
 +| 25/05 Qua |Estudos (prof. em congresso) | | | |  
 +| 31/05 Seg |Aplicação de inferência Bayesiana - erros e incertezas em estimação de vazão de uma bacia - Apres. Alana | | | |  
 +| 01/06 Qua |Fundamentos do INLA | | |[[#01/06|Ver abaixo]] | 
  
  
Linha 283: Linha 287:
    
 === 18/05 === === 18/05 ===
 +  - {{:​disciplinas:​ce227:​changepointjags.r|Script R/JAGS para análise dos dados do Cap 8}} (changepoint Poisson)
   - {{:​disciplinas:​ce227:​ce227-av04.pdf|Arquivo com exemplos de modelos visto em aula}}   - {{:​disciplinas:​ce227:​ce227-av04.pdf|Arquivo com exemplos de modelos visto em aula}}
-  - {{:​disciplinas:​ce227:​apresentacao-inla.pdf|INLA - idéias básicas}} 
-  - [[https://​arxiv.org/​pdf/​1604.00860v1.pdf|Artigo recente de revisão do INLA]] pelos seus desenvolvedores 
   - Mais um exemplo de análise com efeitos aleatórios (serialmente) correlacionados<​code R>   - Mais um exemplo de análise com efeitos aleatórios (serialmente) correlacionados<​code R>
 +##
 +## Análise de conjunto de dados com INLA com efeitos aleatórios temporalmente correlacionados
 +##
 require(INLA) require(INLA)
 ## ##
-## Visualizado ​dados+## Visualização dos dados
 ## ##
 data(Tokyo) data(Tokyo)
Linha 301: Linha 307:
 fit.glm <- glm(cbind(y,​ n-y) ~ 1, family=binomial,​ data=Tokyo) fit.glm <- glm(cbind(y,​ n-y) ~ 1, family=binomial,​ data=Tokyo)
 abline(h=exp(coef(fit.glm))/​(1+exp(coef(fit.glm))),​ col=2, lty=3, lwd=3) abline(h=exp(coef(fit.glm))/​(1+exp(coef(fit.glm))),​ col=2, lty=3, lwd=3)
-## como, como este modelotodos os valores preditos são iguais bastaria fazer:+## ou então, como neste modelo todos os valores preditos são iguais bastaria fazer:
 abline(h=fitted(fit.glm)[1],​ col=2, lty=3, lwd=3) abline(h=fitted(fit.glm)[1],​ col=2, lty=3, lwd=3)
 ## ##
-## 2. Modelo com probabilidades variando no tempo (variável/​processo latente)+## 2. Agora o mesmo modelo nulo anterior porém ajustado pelo INLA 
 +## 
 +modelo0 = y ~ 1 
 +fit0 <- inla(modelo0,​ data=Tokyo, family="​binomial",​ Ntrials=n,​ 
 +             ​control.predictor=list(compute=TRUE)) 
 +summary(fit0) 
 +fit0$summary.fitted.values 
 +with(fit0, matlines(summary.fitted.values[,​c(1,​3:​6)],​ lty=c(1,​2,​2,​2,​3),​ col=2)) 
 +## 
 +## 3. Modelo com probabilidades variando no tempo 
 +## através da inclusão de variável/​processo latente
 ## modelando o logito(probabilidade) como um efeito aleatório correlacionado no tempo ## modelando o logito(probabilidade) como um efeito aleatório correlacionado no tempo
-## segundo um "​random walk" cíclico de ordm 2+## segundo um "​random walk" cíclico de ordem 2
 modelo = y ~ 0 + f(time, model="​rw2",​ cyclic=T, param=c(1, 0.0001)) modelo = y ~ 0 + f(time, model="​rw2",​ cyclic=T, param=c(1, 0.0001))
-fit <- inla(modelo,​ data=Tokyo, family="​binomial",​ Ntrials=n, control.predictor=list(compute=TRUE))+fit <- inla(modelo,​ data=Tokyo, family="​binomial",​ Ntrials=n, 
 +            ​control.predictor=list(compute=TRUE))
 ## ##
 names(fit) names(fit)
 head(fit$summary.fitted.values) head(fit$summary.fitted.values)
-## sobrepondo ao gráfico dos dados (moda, mediana e médi são praticamente indistinguíveis+## sobrepondo ao gráfico dos dados (moda, mediana e média ​são praticamente indistinguíveis)
 with(fit, matlines(summary.fitted.values[,​c(1,​3:​6)],​ lty=c(1,​2,​2,​2,​3),​ col=1)) with(fit, matlines(summary.fitted.values[,​c(1,​3:​6)],​ lty=c(1,​2,​2,​2,​3),​ col=1))
-## 
-## 3. Agora o mesmo modelo nulo anterior porém jusado pelo INLA 
-## 
-modelo0 = y ~ 1 
-fit0 <- inla(modelo0,​ data=Tokyo, family="​binomial",​ Ntrials=n, control.predictor=list(compute=TRUE)) 
-summary(fit0) 
-fit0$summary.fitted.values 
-with(fit0, matlines(summary.fitted.values[,​c(1,​3:​6)],​ lty=c(1,​2,​2,​2,​3),​ col=2)) 
 ## ##
 ## 4. Modelando usando GAM (generalised additive model) ## 4. Modelando usando GAM (generalised additive model)
Linha 333: Linha 342:
 with(pred.gam,​ matlines(cbind(fit,​ fit+2*se.fit,​ fit-2*se.fit),​ lty=c(1,​2,​2),​ col=4)) with(pred.gam,​ matlines(cbind(fit,​ fit+2*se.fit,​ fit-2*se.fit),​ lty=c(1,​2,​2),​ col=4))
 </​code>​ </​code>​
 +
 +=== 01/06 ===
 +  - **INLA**
 +    - {{:​disciplinas:​ce227:​apresentacao-inla.pdf|INLA - idéias básicas}}
 +    - [[https://​www.math.ntnu.no/​~ingelins/​INLAmai09/​Pres/​talkHavard.pdf|Apresentação de H. Rue]]
 +    - [[http://​www.statistica.it/​gianluca/​Talks/​INLA.pdf|Apresentação de Gianluca Baio]]
 +    - [[https://​arxiv.org/​pdf/​1604.00860v1.pdf|Artigo recente de revisão do INLA]] pelos seus desenvolvedores
 +

QR Code
QR Code disciplinas:ce227-2016-01:historico (generated for current page)